🧬 biology

Spiking neurons as predictive controllers of linear systems

Dit artikel introduceert een schaalbare methode waarbij spiking neurale netwerken lineaire systemen direct besturen via impulsregeling, waarbij spitsen alleen worden afgevuurd als ze het systeem dichter bij een doelwit brengen, zonder afhankelijkheid van rate-based representaties.

Oorspronkelijke auteurs: Paolo Agliati, André Urbano, Pablo Lanillos, Nasir Ahmad, Marcel van Gerven, Sander Keemink

Gepubliceerd 2026-03-17

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Paolo Agliati, André Urbano, Pablo Lanillos, Nasir Ahmad, Marcel van Gerven, Sander Keemink

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

De Kernboodschap: Van "Gedruis" naar "Knik"

Stel je voor dat je een auto bestuurt. In de traditionele wereld van robotica en kunstmatige intelligentie geef je continu stuurinstructies: je houdt het stuur een beetje naar links, dan een beetje naar rechts, alsof je constant praat met de auto. Dit is als een LQR-controller (een standaard methode in de techniek): het werkt goed, maar het is continu en verbruikt veel energie.

In de echte natuur, in ons brein, werken neuronen (zenuwcellen) heel anders. Ze praten niet continu, maar sturen korte, scherpe elektrische impulsen: spikes. Het is alsof ze niet praten, maar alleen maar knippen of tikken om iets te zeggen.

De vraag die deze auteurs zich stelden was: Kunnen we deze korte 'tikken' (spikes) direct gebruiken om een systeem te besturen, zonder dat we eerst een langdurig gesprek (een continu signaal) moeten simuleren?

Het Probleem: De "Filter" is te traag

Tot nu toe hebben onderzoekers vaak geprobeerd om deze 'tikken' om te zetten in een continu signaal. Ze zeggen eigenlijk: "Laat de neuronen tikken, maar tel ze op en maak er een vloeiende stroom van."

De analogie: Dit is alsof je een morse-bericht (tik-tik-tik) eerst moet vertalen naar een vloeiende stem voordat je het kunt gebruiken. Dit kost veel rekenkracht en energie, en het voelt niet meer als een natuurlijk neuron.

De Oplossing: De "Voorspellende Tik"

De auteurs van dit paper hebben een nieuwe manier bedacht om neuronen te laten besturen. Ze noemen het voorspellende spiking control.

Stel je voor dat je een bal moet gooien naar een doelwit dat beweegt.

Reactieve aanpak (de oude manier): Je kijkt waar de bal nu is en gooit hem direct naar dat punt. Als de bal beweegt, mis je vaak omdat je niet nadenkt over waar de bal straks zal zijn.
Voorspellende aanpak (de nieuwe manier): Je kijkt niet alleen naar waar de bal nu is, maar denkt: "Als ik nu een tik geef, waar zal de bal over 2 seconden zijn?"

In dit onderzoek hebben ze een wiskundige regel bedacht voor neuronen:

"Een neuron mag alleen tikken als die tik ervoor zorgt dat het systeem over een paar seconden dichter bij het doel is dan als je niets doet."

Hoe werkt dit in de praktijk? (De Voorbeelden)

De auteurs testen dit met een veer-massa-dempersysteem (een gewicht aan een veer).

Het scenario: Je wilt het gewicht naar een nieuwe plek brengen.
Het probleem: Je kunt het gewicht niet direct verplaatsen (dat is fysiek onmogelijk). Je kunt alleen de snelheid beïnvloeden (een tik geven).
De reactieve fout: Als je alleen kijkt naar de huidige positie, zie je dat een tik op de snelheid de positie niet direct verandert. De computer denkt dan: "Tikken helpt niet nu, dus ik doe niets." Het systeem blijft stilstaan.
De voorspellende oplossing: Het neuron denkt: "Als ik nu tik, beweegt het gewicht over 2 seconden naar het doel. Dus ik tik nu!"

Hierdoor gebruikt het systeem de eigen beweging van het gewicht (de veerkracht) om het doel te bereiken, in plaats van constant tegen te werken. Het is alsof je een surfer bent: je wacht niet tot de golf je draagt, maar je geeft op het juiste moment een duw om de golf te benutten.

Waarom is dit cool?

Energiezuinig: Omdat neuronen alleen tikken als het echt nodig is, verbruiken ze heel weinig energie. Het is een "slapende" computer die alleen wakker wordt als er actie nodig is.
Robuust: Als je één neuron uitvalt (alsof één spier in je lichaam even niet werkt), nemen de andere neuronen het over. Het systeem is zo ontworpen dat het niet afhankelijk is van één specifieke "hoofd-neuron".
Schaalbaar: Ze hebben getoond dat dit werkt voor simpele systemen (zoals een veer) en zelfs voor complexe systemen (zoals een arm met veel spiervezels die samenwerken).

De Conclusie

Dit onderzoek laat zien dat we neuronen niet hoeven te zien als apparaten die een continu signaal moeten nabootsen. We kunnen ze juist gebruiken zoals ze in de natuur zijn: als snelle, slimme tikkers die vooruitkijken.

Het is alsof we stoppen met proberen om een robot te laten praten als een mens, en beginnen met hem te laten denken als een mens: met korte, krachtige impulsen die precies op het juiste moment worden gegeven om een doel te bereiken. Dit opent de deur voor nieuwe, energiezuinige computers (neuromorfe hardware) die beter kunnen omgaan met de echte, chaotische wereld.

Probleemstelling

Neuronen in biologische systemen communiceren via korte, discrete elektrische pulsen (spikes). Hoewel er veel onderzoek is gedaan naar het gebruik van spiking neural networks (SNNs) voor controle, vertrouwen bestaande methoden vaak op gefilterde spikes of frequentiecodes. Hierbij worden spikes gefilterd om een continue analoog signaal te benaderen, wat vervolgens als controle-input wordt gebruikt.

De beperking: Deze benadering vereist dat SNNs een continue controle-output genereren, wat energie-intensief is en de discrete, impulsieve aard van biologische neuronale controle verdoezelt.
De uitdaging: Het direct gebruiken van spikes als controle-inputs (impulscontrole) is wiskundig complex en schaalt slecht, omdat het lastig is om te bepalen wanneer een individuele spike moet worden afgevuurd om een systeem naar een doeltoestand te sturen zonder een continue signaal te genereren.

Methodologie

De auteurs presenteren een nieuw paradigma waarin spikes direct worden gebruikt als controle-inputs (impulsen of "kicks") voor lineaire dynamische systemen, zonder filtering naar een continue waarde.

Fundamentele Idee: In plaats van een continue controle-signaal te benaderen, wordt een greedy spiking rule (gierige vuurregel) afgeleid. Een neuron vuurt alleen een spike als dit de afstand tot een doeltoestand verkleint.
Verliesfunctie (Loss Function): De auteurs definiëren een verliesfunctie $L$ $L$ die de kwadratische afstand ( $L_2$ $L_{2}$ -norm) meet tussen de huidige (of voorspelde) toestand van het systeem $x(t+f)$ $x (t + f)$ en een doeltoestand $z(t+f)$ $z (t + f)$ .
- $L = \|x(t+f) - z(t+f)\|^2 + \mu\Gamma(s) + \alpha\|r\|^2$
- Hierbij is $\mu$ de kosten voor het afvuren van een spike (sparsity) en $\alpha$ een regularisatie voor neuronale activiteit.
Reactive vs. Predictive Control:
- Reactive: Neuronen vergelijken de verliesfunctie direct na het afvuren ( $f=0$ ). Dit werkt voor niet-geconstrueerde systemen, maar faalt bij fysiek geconstrueerde systemen (zoals een veer-massa-dempersysteem) omdat een snelheidsverandering geen direct effect heeft op de positie.
- Predictive: Neuronen voorspellen de toestand van het systeem over een tijdsvenster $f$ in de toekomst. Een spike wordt alleen afgevuurd als deze de voorspelde verliesfunctie na $f$ seconden verlaagt. Dit stelt het systeem in staat om de intrinsieke dynamiek van het plant (bijv. traagheid) te benutten.
Afleiding van het Netwerk:
- Door de voorwaarde $L_{spike} < L_{geen\_spike}$ te analyseren, leiden de auteurs de dynamica van het netwerk af.
- Dit resulteert in een recurrente Leaky Integrate-and-Fire (LIF) netwerkstructuur.
- De membraanpotentiaal $V_i$ en de drempel $T_i$ van elk neuron worden wiskundig afgeleid uit de systeemmatrices ( $A, B$ ), de doeltoestand $z$ , en de voorspellingshorizon $f$ .
- Netwerkstructuur: Het netwerk heeft een laag-rang connectiviteit (low-rank connectivity) ten opzichte van de dimensie van het te controleren systeem. Dit betekent dat de connectiviteit niet willekeurig is, maar direct voortvloeit uit de controle-objectieven.

Kernbijdragen

Directe Spike-Controle: Een methode om spikes direct als impulscontrole te gebruiken, waardoor de noodzaak voor continue signaalgeneratie en filtering wordt weggelaten.
Voorspellende Spiking Regel: Een wiskundig afgeleide vuurregel die rekening houdt met de toekomstige dynamiek van het systeem. Dit is essentieel voor het controleren van fysiek geconstrueerde systemen (waarbij positie niet direct kan veranderen).
Analytische Afleiding: Het netwerk, de dynamica en de controle-doelstelling worden allemaal in gesloten vorm (closed-form) wiskundig afgeleid, zonder dat er een leerproces (training) nodig is om de connectiviteit te bepalen.
Schaalbaarheid en Robuustheid: Het paradigma is getest op lineaire systemen met hoge dimensies (gekoppelde oscillator-systemen) en toont robustheid tegen het uitvallen van neuronale eenheden.

Resultaten

De auteurs testen hun methode op verschillende scenario's:

Lineaire Systemen (Unconstrained): Zowel reactieve als voorspellende controle kunnen doelen bereiken, maar voorspellende controle is efficiënter.
Fysiek Geconstrueerde Systemen (Spring-Mass-Damper):
- Reactieve controle faalt: Omdat een impuls op de snelheid geen directe verandering in positie veroorzaakt, zou een reactieve regel nooit een spike afvuren (de verliesfunctie neemt niet direct af).
- Voorspellende controle slaagt: Door naar de toekomst te kijken ( $f > 0$ ), ziet het netwerk dat een snelheidsimpuls uiteindelijk de positie naar het doel zal bewegen. Het systeem exploiteert de passieve dynamiek (de veer en demper) om het doel te bereiken.
Vergelijking met LQR en Gefilterde Spikes:
- In vergelijking met een continue LQR (Linear Quadratic Regulator) en een gefilterde spike-controller, produceert de voorspellende spiking controller veel minder spikes (hoge sparsity).
- De trajecten zijn niet identiek aan de optimale LQR-trajecten (het is een "greedy" benadering, niet globaal optimaal), maar de fouten zijn vergelijkbaar en de energie-input is lager.
Gekoppelde Oscillatoren: Het systeem werd succesvol geschaald naar een systeem van 10 gekoppelde massa's met 500 neuronen. Het netwerk bleek robuust: zelfs wanneer 360 willekeurige neuronen werden uitgeschakeld, bleef de controleprestatie intact omdat de resterende neuronen de taak overnamen.
Biomimetisch Motor Control: Een simulatie van een arm die een punt in de ruimte moet aansturen via gecontroleerde SMD-eenheden (spiervezel-modellen). Het netwerk kon complexe trajecten volgen met zeer spaarzame spike-activiteit.

Betekenis en Implicaties

Neurowetenschappelijk Inzicht: De studie biedt een mechanistische verklaring voor hoe biologische neuronen controle kunnen uitoefenen op spiergroepen of andere systemen via discrete impulsen, zonder dat er een continue "aansturing" nodig is. Het ondersteunt het idee dat spikes niet alleen informatie coderen, maar actief de dynamiek van het systeem beïnvloeden.
Neuromorfische Hardware: Omdat de methode gebaseerd is op discrete, spaarzame gebeurtenissen en geen continue stroom vereist, is het ideaal voor implementatie op energie-efficiënte neuromorfe chips.
Theoretische Unificatie: Het werk verbindt controletheorie (voorspellende controle) met computationele neurowetenschap (spike coding networks), en toont aan dat complexe controletaken opgelost kunnen worden met lokale, greedige regels zonder globale netwerk-informatie.

Kortom, dit artikel bewijst dat spiking neuronen effectieve, voorspellende controllers kunnen zijn voor lineaire systemen, waarbij ze de intrinsieke dynamiek van het systeem benutten en dat dit kan worden gedaan met een wiskundig afgeleid, schaalfbaar en robuust netwerk.